本申请涉及通信，具体涉及一种视觉可行驶区域检测置信度评估方法、装置、设备及介质。
背景技术：
1、近年来，随着神经网络和自动驾驶技术的不断演进，基于视觉的低成本感知方法重要性愈加凸显，而基于视觉的可行驶区域检测技术作为底层安全支撑性任务模块，其重要性不言而喻。在面对各类复杂场景中存在的陌生环境、非白名单障碍以及长尾效应时，图像内的可行驶区域信息能够为自动驾驶车辆提供当前环境中底层、可靠的有界安全区域，有效的保障自动驾驶车辆的安全性。
2、自动驾驶技术发展至今，感知方法的发展至关重要。作为底层关键技术，视觉可行驶区域检测技术在自动驾驶安全性中有着至关重要的作用。但实际落地应用中，在脱离了典型的城市场景后，视觉可行驶区域检测面临着如下易导致感知失效的场景和问题：a)非结构化道路；b)无结构复杂行驶区域；c)复杂天候情况，如夜间、能见度较低的恶劣天气情况等；不同于城市场景的相似化、典型化，野外越野环境的覆盖范围更广泛，复杂性更高，感知输入的不可预期性导致前期采集的训练数据无法覆盖所有工作场景，进而导致视觉可行驶区域检测网络无法有效感知可行驶区域，极大降低自动驾驶车辆的安全性。
技术实现思路
1、本申请实施例提供一种视觉可行驶区域检测置信度评估方法、装置、设备及介质，用以解决当前视觉可行驶区域检测网络无法有效感知可行驶区域，极大降低自动驾驶车辆的安全性的问题。
2、第一方面，本申请实施例提供一种视觉可行驶区域检测置信度评估方法，包括：
3、确定待评估车辆的可行驶区域检测结果；
4、将所述可行驶区域检测结果输入至置信度评估网络，得到所述置信度评估网络输出的类型信息；所述置信度评估网络是基于样本可行驶区域检测结果及其类型标签进行训练得到的；不同的类型标签表征不同的检测准确度；所述样本可行驶区域检测结果是基于可行驶区域检测模型的训练数据集进行数据迁移得到的；所述可行驶区域检测模型用于进行可行驶区域检测；
5、对所述可行驶区域检测结果进行误检检测，得到误检结果；
6、基于所述误检结果与所述类型信息，确定所述待评估车辆的可行驶区域检测置信度。
7、在一个实施例中，所述样本可行驶区域检测结果是基于如下方式确定的：
8、将样本图像输入至视觉可行驶区域检测模型，得到第一可行驶区域检测结果；所述视觉可行驶区域检测模型是基于样本图像及其二值掩模图像进行训练得到的；
9、对所述第一可行驶区域检测结果进行误检滤除，得到第二可行驶区域检测结果；
10、对所述第二可行驶区域检测结果进行漏检滤除，得到样本可行驶区域检测结果。
11、在一个实施例中，所述对所述第二可行驶区域检测结果进行漏检滤除，得到样本可行驶区域检测结果，包括：
12、对所述第二可行驶区域检测结果进行内包连通域检测；
13、若所述第二可行驶区域检测结果中存在内包连通域，则分别确定各内包连通域的异形指数；
14、将异形指数小于或等于预设指数阈值的内包连通域滤除，得到样本可行驶区域检测结果。
15、在一个实施例中，在分别确定各内包连通域的异形指数时，针对每一内包连通域，分别执行如下步骤：
16、确定当前内包连通域的二阶导数；
17、确定所述二阶导数的方差值及最大值；
18、基于所述最大值与所述方差值确定第一指数；
19、确定当前内包连通域的周长与面积；
20、将基于所述周长与面积确定第二指数；
21、将所述第一指数与所述第二指数相加，得到当前内包连通域的异形指数。
22、在一个实施例中，所述对所述第一可行驶区域检测结果进行误检滤除，得到第二可行驶区域检测结果，包括：
23、确定所述第一可行驶区域检测结果中的连通域数量；
24、若所述连通域数量大于预设阈值，则对所述第一可行驶区域检测结果中的各连通域的像素面积进行排序；
25、将排序后位于第二预设位置的像素面积与面积可变阈值进行比对；
26、若排序后位于第二预设位置的像素面积大于或等于所述面积可变阈值，则将排序后位于第二预设位置的像素面积对应的连通域与排序后位于第一预设位置的像素面积对应的连通域进行叠加，得到第二可行驶区域检测结果。
27、在一个实施例中，所述面积可变阈值是通过如下方式确定的：
28、将排序后位于第一预设位置的像素面积与各连通域的像素面积的平均值相加，得到相加面积；
29、将所述相加面积与预设面积阈值比例参数相乘，得到面积可变阈值。
30、在一个实施例中，所述基于所述误检结果与所述类型信息，确定所述待评估车辆的可行驶区域检测置信度，包括：
31、基于所述误检结果中的误检连通域数量确定误检置信度得分；
32、基于所述类型信息确定所述置信度评估网络的评估置信度得分；
33、基于所述误检置信度得分与所述评估置信度得分，确定所述待评估车辆的可行驶区域检测置信度。
34、第二方面，本申请实施例提供一种视觉可行驶区域检测置信度评估装置，包括：
35、第一确定模块，用于确定待评估车辆的可行驶区域检测结果；
36、输入模块，用于将所述可行驶区域检测结果输入至置信度评估网络，得到所述置信度评估网络输出的类型信息；所述置信度评估网络是基于样本可行驶区域检测结果及其类型标签进行训练得到的；不同的类型标签表征不同的检测准确度；
37、检测模块，用于对所述可行驶区域检测结果进行误检检测，得到误检结果；
38、第二确定模块，用于基于所述误检结果与所述类型信息，确定所述待评估车辆的可行驶区域检测置信度。
39、第三方面，本申请实施例提供一种设备，所述设备为电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的视觉可行驶区域检测置信度评估方法。
40、第四方面，本申请实施例提供一种介质，所述介质为计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的视觉可行驶区域检测置信度评估方法。
41、本申请实施例提供的视觉可行驶区域检测置信度评估方法、装置、电子设备及介质，在确定待评估车辆的可行驶区域检测结果后，通过将可行驶区域检测结果输入至预先基于样本可行驶区域检测结果及其类型标签进行训练得到的置信度评估网络，可以得到置信度评估网络输出的类型信息；其中，样本可行驶区域检测结果是基于可行驶区域检测模型的训练数据集进行数据迁移得到的；可行驶区域检测模型用于进行可行驶区域检测。同时可以对可行驶区域检测结果进行误检检测，得到误检结果；由此可以基于误检结果与类型信息，准确地确定待评估车辆的可行驶区域检测置信度，便于待评估车辆基于可行驶区域检测置信度执行自动驾驶，从而提高自动驾驶车辆的安全性。
1.一种视觉可行驶区域检测置信度评估方法，其特征在于，包括：
2.根据权利要求1所述的视觉可行驶区域检测置信度评估方法，其特征在于，所述样本可行驶区域检测结果是基于如下方式确定的：
3.根据权利要求2所述的视觉可行驶区域检测置信度评估方法，其特征在于，所述对所述第二可行驶区域检测结果进行漏检滤除，得到样本可行驶区域检测结果，包括：
4.根据权利要求3所述的视觉可行驶区域检测置信度评估方法，其特征在于，在分别确定各内包连通域的异形指数时，针对每一内包连通域，分别执行如下步骤：
5.根据权利要求2所述的视觉可行驶区域检测置信度评估方法，其特征在于，所述对所述第一可行驶区域检测结果进行误检滤除，得到第二可行驶区域检测结果，包括：
6.根据权利要求5所述的视觉可行驶区域检测置信度评估方法，其特征在于，所述面积可变阈值是通过如下方式确定的：
7.根据权利要求1-6任一项所述的视觉可行驶区域检测置信度评估方法，其特征在于，所述基于所述误检结果与所述类型信息，确定所述待评估车辆的可行驶区域检测置信度，包括：
8.一种视觉可行驶区域检测置信度评估装置，其特征在于，包括：
9.一种设备，所述设备为电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的视觉可行驶区域检测置信度评估方法。
10.一种介质，所述介质为计算机可读存储介质，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的视觉可行驶区域检测置信度评估方法。
